吴恩达机器学习ex1

最新推荐文章于 2025-02-02 16:44:40 发布

叶锦小兴

最新推荐文章于 2025-02-02 16:44:40 发布

阅读量764

点赞数 2

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：机器学习

本文链接：https://blog.youkuaiyun.com/qq_33253721/article/details/105293623

这篇博客详细介绍了吴恩达机器学习课程中的线性回归练习，包括单变量和多变量的情况。在单变量线性回归中，博主探讨了数据可视化、梯度下降和损失函数的最小化。而在多变量线性回归部分，讨论了特征缩放的重要性、梯度下降更新规则以及正规方程的应用。通过实例和可视化，帮助读者更好地理解和应用这些概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第一部分：线性回归（单变量）

题目介绍：预测食品利润，第一列数据是城市的人口，第二列数据是该城市的食品利润。

1.绘制数据

通过可视化可以更好地理解数据。在ex1.m中已经加载了数据并且设置了X，y变量分别为人口和利润：

data = load('ex1data1.txt');
X = data(:, 1); y = data(:, 2);
m = length(y); % number of training examples

绘制数据的二维表示图：

plot(x, y, 'rx', 'MarkerSize', 10);
ylabel('profit in $10,000s');
xlabel('population of City in 10,000s');

在这里插入图片描述

2.梯度下降

线性回归的目标是最小化损失函数：
在这里插入图片描述
其中的假设函数为：

梯度下降更新公式（需要同时更新其中的每个theta_j）：

ex1.m中设置了截距项theta_0为1，初始化了拟合参数、迭代次数和学习率：

X = [ones(m, 1), data(:,1)]; % Add a column of ones to x
theta = zeros(2, 1); % initialize fitting parameters

% Some gradient descent settings
iterations

最低0.47元/天解锁文章

200万优质内容无限畅学